- 综合排序
- 最热优先
- 最新优先
- 来自专栏合集
Python | 运动目标检测
常用的运动目标检测方法——帧差法 帧差法将邻近帧图像相减滤除图像中的静止景物得到运动区域，其对环境的光线变化不敏感并可快速检测出运动目标，但对于运动物体速度太慢的情况则产生不完整的“空洞”现象，太快又易于生成 1) 两帧差法 两帧差法实现方式：是前后两帧进行差分得到差分图像，通过比较所有像素的灰度差（即像素值之间的差）绝对值，设定一个阈值，如果灰度差绝对值超过这个绝对值，则得到一个像素集，即运动目标区域。 通过对运动目标区域进行连通性分析，得到一个连通的目标区域。 2) 三帧差法 三帧差法是基于两帧差法的检测方法，其原理是将相邻的3帧图像前后作差，经过像两帧差法的处理后，再将得到的两个帧差图像作“与”运算，最后得到运动目标轮廓。 如果把阈值设置太高了那么就可能把运动目标也部分去掉了，但是如果阈值设置过低，图像噪声就会偏多，影响结果。
1.7K30发布于 2020-01-14 - 来自专栏一步步开发AI运动APP
【一步步开发AI运动APP】十四、AI运动检测中，如何拍照留存图像？
之前我们为您分享了【一步步开发AI运动小程序】开发系列博文，通过该系列博文，很多开发者开发出了很多精美的AI健身、线上运动赛事、AI学生体测、美体、康复锻炼等应用场景的AI运动小程序；为了帮助开发者继续深耕 AI运动领域市场，今天开始我们将为您分享新系列【一步步开发AI运动APP】的博文，带您开发性能更强、体验更好的AI运动APP。 根据我们之前的介绍可知，本系列使用的「AI运动识别」插件在运动识别时，完全依赖于设备端算力进行动识别推理，不会将用户图像上传至后台或第三方服务；所以运动识别后是无法再获得运动时的现场图像的，但是像体测和严肃的赛事场景可能又有留存运动现场图像进行后期审核核验的需求 一、相机提取图像相关API「AI运动识别」插件自带的相机组件，相机操控提供了将帧解析成jpeg格式图像并保存文件或Base64编码的相关API，详情如下，请可以参考插件API文档。 "#009d00" /></template><script>import {getCameraContext,createHumanDetector} from "@/uni_modules/yz-ai-sport
24610编辑于 2025-11-17 - 来自专栏一步步开发AI运动APP
【一步步开发AI运动APP】十一、同时检测识别多人运动，分别进行运动计时计数
之前我们为您分享了【一步步开发AI运动小程序】开发系列博文，通过该系列博文，很多开发者开发出了很多精美的AI健身、线上运动赛事、AI学生体测、美体、康复锻炼等应用场景的AI运动小程序；为了帮助开发者继续深耕 AI运动领域市场，今天开始我们将为您分享新系列【一步步开发AI运动APP】的博文，带您开发性能更强、体验更好的AI运动APP。 一、应用场景在赛事活动多人PK对战、学生体测教学、运动角设备等开发应用场景中，经常存在需要同时检测多人运动需求；此需求在AI小程序时受限于小程序的运行环境，一直无法实现。 二、方案实现根据下面的AI运动分析的流程图所示，要实现同时多人运动分析能力，须先实现多人的人体姿态检测，再将检出的多人人体结果，分别推送到不同的运动分析器实例，即可实现多人运动检测分析。 ，便可以创建多个运动分析器实例来，来分别对每个人的姿态进行分析检测，实现计时计数了，代码如下：import {createSport} from "@/uni_modules/yz-ai-sport";
31910编辑于 2025-09-01 - 来自专栏ISP图像处理相关
3D降噪_运动估计块运动匹配
3D降噪_运动估计块运动匹配 运动估计 运动估计是视频去噪技术的重要组成之一，计算相邻两帧视频序列各像素的相对运动偏移量，从而得到其运动轨迹。 运动估计的目的就是需要找到该点在这两帧中的运动向量（x-i, y-j/）。 在寻找视频序列中两顿图像各像素之间的运动向量时，往往需要确定其整体、局部或者特征的对应关系，即得到图像像素之间的匹配关系，因而图像匹配是运动估计的核心内容。 块运动匹配 块运动匹配是当前数字图像处理领域中应用最广泛的一种运动估计方法。 以块为单位匹配，块内部的所有像素具有统一的运动向量。
1.1K20编辑于 2022-01-14 - 来自专栏深度学习和计算机视觉
使用 OpenCV 进行运动检测
Raspberry Pi 3 上的 OpenCV 运动检测 这篇文章将解释如何实现基本的运动检测，这可以用于我们的基于触发器的监控系统。 什么是 OpenCV？ 它包含 500 多项功能，涵盖许多视觉领域，包括工厂产品检测、医学成像、安全、用户界面、相机校准、立体视觉和机器人技术。 CONF_SWAPSIZE=100 验证 OpenCV 是否安装成功 ： 验证 OpenCV 安装 实现 我们使用 piimagesearch 的教程来实现基本的运动检测，它提供了开源的代码，并且可以下载 这段代码非常基础，正如我们所看到的，即使框架中只有我，代码也会感应其他运动，就像电风扇的一片扇叶一样，并且有多个块，所以需要更多的逻辑来建立在它之上。 尽管从介绍的 GIF 中可以看出，响应速度很慢，但这是运动检测的基本演示，我将在以后的文章中介绍更多用例。
1.3K10编辑于 2022-02-09 - 来自专栏深度学习和计算机视觉
运动目标检测|单高斯背景建模
背景建模也称为背景估计，其主要目的是根据当前的背景估计，把对序列图像的运动目标检测问题转化为一个二分类问题，将所有像素划分为背景和运动前景两类，进而对分类结果进行后处理，得到最终检测结果。 比较简单的获取背景图像的方法是当场景中无任何运动目标出现时捕获背景图像，但这种方法不能实现自适应，通常仅适应于对场景的短时间监控，不能满足智能监控系统对背景建模的要求。 背景减除法的关键是背景模型，它是背景减除法分割运动前景的基础。 单高斯背景建模 高斯背景模型是一种运动目标检测过程中提取并更新背景和前景的一种方法。 imdilate(imerode(frame_d,disk),disk),disk; imshow(frame_d); %前景 end 输出结果（背景->前景->目标检测） ?
2.3K10发布于 2019-10-24 - 来自专栏Pou光明
3_机械臂运动学之刚体的运动
自由刚体的自由度 在三维空间中,含有 N 个质点的自由质点系的自由度为3N．但具有N个质点的刚体,其自由度却远远取不到这个值,因为这些质点彼此的距离必须保持不变,刚体的自由度应该是3N减去独立的关于相对位置的约束关系 如图2.1.1(a)所示,先选取刚体内部任意三个不共线的质点,如上一段分析,这三个质点构成的小体系的自由度为6.然后再选取刚体内其他的任一质点加入该小体系,见图2.1.1(b)．新增的质点一方面增加了３个自由度 (1)平动:当刚体运动时,其上的所有质点具有相同的速度和加速度,以其中一个质点的运动就可以表征整个刚体的运动,因而自由度是３; (2)定轴转动:当刚体运动时,刚体上有两个质点保持位置不变,由于其余质点与这两个质点的距离要保持不变 ,可能的运动只能是以两个质点所在直线为轴,做自由度为１的转动; (3)平面平行运动:当刚体运动时,刚体上任一点始终处于同一平面内,有两个平动自由度和一个转动自由度,总自由度为３; (4)定点转动:当刚体运动时 ,刚体上有一点保持位置不变,增加了三个约束关系,因而自由度由一般情形的６减少为３; (5)一般运动:刚体不受任何附加约束,自由度６． 2.1.2 刚体运动的欧拉定理 1.
60910编辑于 2024-01-23 - 来自专栏张国平_玩转树莓派
树莓派综合项目3：AI视觉机械臂小车（三）基本运动
一、介绍 树莓派综合项目3：AI视觉机械臂小车（一）蜂鸣器 树莓派综合项目3：AI视觉机械臂小车（二）轻触按键 本实验将实现履带车的基本运动，前进、后退、左转、右转。 GPIO.output(BIN1,False) time.sleep(t_time) try: while True: t_up(50,3) t_down(50,3) t_left(50,3) t_right(50,3) t_stop(3) except KeyboardInterrupt : GPIO.cleanup() 第3步：使用GPIO Zero库来重新编写程序，程序更简洁，语句更容易阅读和理解，基本不用注释就能明白语句的含义。 # 0.5即为占空比50的速度 t_down(0.5,3) t_left(0.5,3) t_right(0.5,3) t_stop(3
2.2K41发布于 2021-05-17 - 来自专栏python3
【Sensors】运动传感器（3）
原 Android平台提供了多种传感器，可让您监控设备的运动。 传感器的可能体系结构因传感器类型而异： 重力，线性加速度，旋转矢量，显着运动，步进计数器和步进检测器传感器基于硬件或基于软件。 表1总结了Android平台上可用的运动传感器。 表1. Android平台支持的运动传感器 ? ? ? 1标量组件是一个可选值。 旋转矢量传感器和重力传感器是用于运动检测和监测的最常用的传感器。 旋转矢量传感器特别灵活，可用于各种运动相关任务，如检测手势，监视角度变化以及监视相对方位变化。例如，如果您正在开发游戏，增强现实应用程序，二维或三维罗盘或照相机稳定应用程序，则旋转矢量传感器是理想的。 如果你想尝试这些传感器，你可以通过使用getVendor()方法和getVersion()方法（供应商是Google LLC;版本号是3）。 使用重要的运动传感器 ---- 每次检测到有意义的运动时，重要的运动传感器都会触发一个事件，然后禁用自身。重要的动作是可能导致用户位置变化的动作; 例如散步，骑自行车或坐在移动的汽车中。
2.7K20发布于 2020-01-14 - 来自专栏科控自动化
运动控制3 Gear同步应用
3、简化了机械结构，高速运行时有效降低机械振动，并且可以通过软件算法实现振动抑制和负荷平衡等功能。 ，图3所示为同步轴工艺对象的基本操作原理： 图3 同步轴工艺对象的基本操作原理 如图3所示，在对工艺对象完成相应组态后，需要通过编写用户程序调用相关的运动控制指令实现引导轴与跟随轴的同步运行。 同步操作过程按以下阶段实现：等待同步（跟随轴等待同步运动的开始条件）、建立同步（跟随轴将与主值进行同步）、同步运动（跟随轴按照同步操作功能跟随引导轴的位置）、结束同步（超驰同步操作，主动同步操作会被跟随轴上的运动控制工作 通过“MC_MoveSuperimposed 作业，可将从值与相对定位运动叠加，而无需考虑引导轴的运动。 通过运动控制指令“MC_SynchronizedMotionSimulation”，可在仿真中对激活的同步操作进行仿真。此时引导轴应停止。同步运动仿真仅影响跟随轴的同步运动。
2.8K31编辑于 2022-03-29 - 来自专栏一步步开发AI运动APP
【一步步开发AI运动APP】五、人体检测能力调用
之前我们为您分享了【一步步开发AI运动小程序】开发系列博文，通过该系列博文，很多开发者开发出了很多精美的AI健身、线上运动赛事、AI学生体测、美体、康复锻炼等应用场景的AI运动小程序；为了帮助开发者继续深耕 AI运动领域市场，今天开始我们将为您分享新系列【一步步开发AI运动APP】的博文，带您开发性能更强、体验更好的AI运动APP。 一、人体检测AI介绍 识别并检测图像中的人体结构，是开展运动分析检测、姿态分析以及姿态交互场景应用前不可或缺的前置步骤。 为了满足不同场景和需求，APP版本插件精心提供了多种人体检测模式，包括“高性能”模式以满足快速响应的需求，“高精度”模式以确保检测结果的准确无误，以及“多人检测”模式以应对复杂场景中的多人识别挑战。 下篇我们将为您介绍运动检测分析调用，敬请期待... !
36400编辑于 2025-04-03 - 来自专栏AIoT技术交流、分享
Python-OpenCV运动物体检测
运动物体检查，在移动目标定位和智能安防系统中有广泛的应用，它的实现原理：捕获连续帧之间的变化情况，将每次捕获的图像进行对比，然后检查差值图像中的所有斑块（颜色相近的地方）。 Demo在实现的过程中，首先需要设置“背景帧”，通过捕获连续帧，比较“背景帧”与其它帧之间的差异，这种方法检测结果还是挺不错的，但是若在室外，光线的变化就会引起误检测，具有局限性和干扰性。
1.2K20发布于 2021-01-20 - 来自专栏深度学习和计算机视觉
运动目标检测|混合高斯背景建模（含源码）
混合高斯背景建模是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度等统计信息(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分(如3σ原则)进行目标像素判断，可以对复杂动态背景进行建模 3.各个模式权值按如下方式进行更新，其中a是学习速率，对于匹配的模式Mk,t=1,否则Mk,t=0，然后各模式的权重进行归一化： ? % 单高斯模型的个数(通常为3-5) M = 3; % 代表背景的模型个数 ),imshow(fr_bw); %显示最后一帧图像 subplot(1,3,2),imshow(uint8(bg_bw)) %显示背景 disk = strel('disk',1);disk1 = strel('disk',4); subplot(1,3,3),imshow(imdilate(imerode(uint8(fg),disk
3.2K40发布于 2019-10-24 - 来自专栏一步步开发AI运动APP
【一步步开发AI运动APP】七、自定义姿态动作识别检测——之规则配置检测
之前我们为您分享了【一步步开发AI运动小程序】开发系列博文，通过该系列博文，很多开发者开发出了很多精美的AI健身、线上运动赛事、AI学生体测、美体、康复锻炼等应用场景的AI运动小程序；为了帮助开发者继续深耕 AI运动领域市场，今天开始我们将为您分享新系列【一步步开发AI运动APP】的博文，带您开发性能更强、体验更好的AI运动APP。 一、什么是自定义姿态识别检测您在开发AI运动小程序或APP时，可能会面这样的需求场景，比如：人像必须全部入镜、站立远近要求检查、用户做某个动作开始/停止运动识别、内置运动不满足场景需求需要扩展新运动项目等等 ，这些都需要用到自定义姿态动作识别检测，插件提供了基于规则配置和姿态相似度比较两种姿态识别检测方案，本章将先为您介绍基于规则配置方案，姿态相似度比较方案和自定义运动扩展将在后续章节为您介绍。 ，通过pose-calc只要配置好计算规则（⽆代码或代少量代码）即可实现自定义姿态动作检测或运动分析，也⽅便实现运动分析可配置化。
45310编辑于 2025-04-22 - 来自专栏Unity3d程序开发
unity3d：运动残影
sampler2D _MainTex; half4 _GhostColor; int _Pow; struct Input { float3 viewDir; float2 uv_MainTex; }; fixed4 LightingUnlit(SurfaceOutput s, fixed3 lightDir, fixed (Input IN, inout SurfaceOutput o) { half4 c = tex2D (_MainTex, IN.uv_MainTex); float3 Shader.Find("Custom/GhostOnly_Transparent"); } private float lastTime = 0; private Vector3 lastPos = Vector3.zero; void Update() { //人物有位移才创建残影 if (lastPos == this.transform.position
51030编辑于 2023-08-24 - 来自专栏AI科技评论
更细粒度表情运动单元检测：来自物体检测的启示
作者 | 马晨 编辑 | 贾伟 本文解读清华大学马晨等人发表的人脸表情运动单元检测的论文：《AU R-CNN：将专家先验知识融合进R-CNN模型进行表情运动单元的检测》。 本论文中所谓的人脸AU检测的任务是指：识别一段视频中每一帧图像的人脸上出现哪些AU。因为AU只是面部肌肉的细微运动，而且不同的面部肌肉运动幅度大小不同，所以AU检测任务具有挑战性。 3、人脸AU识别是一个多label的分类问题，这种多label的约束可以被限制在更细的粒度上：人脸的局部区域上，从而达到更高的精度。 AU R-CNN方法的整体框架概览，首先用landmark将人脸的68个关键点定位，再依照不同区域ROI独立检测，最后将每个ROI的检测汇总，便得到了全脸的检测结果！ 图 3. 另外除了ConvLSTM这种时空卷积，还可以使用双流法等其他方法进行扩展，总体如下表： 3 实 验 实验在BP4D和DISFA两个数据库上进行，该文的实验部分值得称道的一点是，作者采用了标准的AU
1.4K30发布于 2020-04-16 - 来自专栏量子位
百度AI的“圈地运动”
百度这个AI生态又呈现出何等面貌？ 这背后可能有一些时代潮向变化的影子。 地毯式“轰炸” 单从结果来看，百度真可谓发起了一场“圈地运动”。 围绕开发者，从点，到线，再到面。 还有一些“意想不到的应用”，传统制造企业蝶鱼科技的主营业务为组装键盘，该公司将EasyDL与工业摄像头、工业光源、激光测距仪、PLC控制气缸等设备组成综合检测系统，用于识别键盘组装后的合格性，包括缺件、 使用EasyDL训练的模型识别准确率超过99%，为每条生产流水线每年节省12万人工检测员人力成本。 理解与交互技术UNIT方面，用户可免费享用3个Bot(账号)、每个Bot 40个QPS永久免费的配额，如有特殊需求，用户可在百度AI开放平台官网申请，专业客服将提供1对1的支持服务。 AI服务。
85020发布于 2018-07-20 成功案例分享|使用AI运动识别插件+微搭，快速搭建AI美体运动小程序
用户为形体礼仪培训机构，计划开发一款AI美体运动小程序，旨在为用户提供专业的运动指导和美体建议。 考虑到开发成本、开发周期及原功能迁移的问题，用户决定基于“微搭”低代码平台进行搭建，并集成“AI运动识别小程序插件”以实现AI运动识别智能化功能。 在我方技术人员的协助下，成功将“AI运动识别小程序插件”集成至“微搭”平台的小程序中。 这款小程序不仅具备精准的运动识别能力和实时反馈功能，还提供了个性化的训练计划和改进建议，“AI运动识别插件”的精准识别能力和实时反馈功能，极大地提升了用户的运动体验和粘性，使用户能够更加科学地进行美体运动 当然，这只是“AI运动”的其中一种应用场景，还可以应用其他方面，诸如：AI健身、学生体测、云上运动会、轻量AR互动等。要实现这些应用场景，在这里，我们推荐云智「AI乐运动」体验。
57710编辑于 2024-10-14- 来自专栏ATYUN订阅号
上辈子是运动员？一款人脸识别AI应用检测你与哪个世界杯运动员长得最像
挪威新闻机构VG团队开发了一款全新的AI工具，使用面部识别技术，来查找与你的长相最为相似的足球运动员。 人工智能将试图将你的形象与目前参加俄罗斯世界杯的736名职业运动员中的一名相匹配。 这个工具并没有被专业足球运动员迷惑，正确匹配了梅西和罗纳尔多的照片。 研究团队使用Python编程语言进行编码，使系统接受了训练，可以在照片中检测到每个面部精确定位的128个测量点。这些面部测量可以用来匹配两个人之间的相似度。 Otto Stangvik说，“整个晚上加上凌晨，用户上传了近3万张图像。” 这使得团队可以在向更广泛的用户推出系统之前进行改进。
70970发布于 2018-07-27 - 来自专栏Urlteam
学习—用 Python 和 OpenCV 检测和跟踪运动对象
如果发生了显著的变化，我们就可以检测到它——通常这些变化和我们视频中的运动有关。 它会指定一个路径，指向一个预先录制好的视频文件，我们可以检测该视频中的运动。如果你不提供视频的路径，那么OpenCV会从你的摄像头中来检测运动。 注意到在门被打开前没有进行运动检测——然后我们可以检测到我自己从门中走过。你可以在这里看到全部视频： http://www.youtube.com/embed/fi4LORwk8Fc? feature=oembed 正如你看到的，我们的运动检测系统尽管非常简单，但表现还不错！我们可以正常检测到我进入客厅和离开房间。 然而，现实来讲，结果还远远谈不上完美。 而且我可以看到，微小的光线变化，比如阴影和墙面反射，都触发了假阳性的运动检测结果。 最后，如果你想要利用你的摄像头的原始视频流来进行运动检测，空着--video选项即可。
3.4K10发布于 2019-11-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号